晶圆缺陷的检测方法和装置、电子设备及存储介质与流程

本发明涉及半导体领域，具体涉及一种晶圆缺陷的检测方法和装置、电子设备及存储介质。

背景技术：

1、目前，在半导体领域，自动化检测设备目前仍无法实现晶圆缺陷的分类，这是由于自动化检测设备采集图像通常是灰度图，没有色彩分量信息，缺乏识别特征，且采用传统比对的方法，即使含有特征信息，也无法实现特征识别，仍然需要人工复检，通过肉眼进行分类，工作量大，且人工复检主观因素强，无法设置统一的标准和量化的检测指标，因此，如何实现晶圆表面缺陷和异物的分类，并提高晶圆表面缺陷和异物的分类的准确性，从而降低人工复检工作量，成为了亟待解决的技术问题。

技术实现思路

1、本技术实施例的主要目的在于提出一种晶圆缺陷的检测方法和装置、电子设备及存储介质，旨在实现晶圆表面缺陷和异物的分类，并提高晶圆表面缺陷和异物的分类的准确性，从而降低人工复检工作量。

2、为实现上述目的，本技术实施例的第一方面提出了一种晶圆缺陷的检测方法，所述方法包括：

3、获取晶圆样品图像，其中，所述晶圆样品图像是彩色图像；

4、对所述晶圆样品图像进行图像标注，得到图像训练数据，其中，所述图像训练数据包括所述晶圆样品图像和图像标签；

5、基于所述图像训练数据对预先获取的神经网络模型进行训练，得到晶圆缺陷检测模型，其中，所述神经网络模型根据预设的目标检测网络和注意力机制构建而成；

6、获取待检测的晶圆待检测图像，得到图像待检测数据；

7、将所述图像待检测数据输入至所述晶圆缺陷检测模型进行缺陷检测，得到缺陷检测数据，根据所述缺陷检测数据判断所述晶圆待检测图像是否存在缺陷。

8、在一些实施例，所述对所述晶圆样品图像进行图像标注，得到图像训练数据，包括：

9、基于预设的标注工具对所述晶圆样品图像进行标记处理，得到所述图像标签，其中，所述图像标签包括所述晶圆样品图像的缺陷类型和缺陷位置信息；

10、基于所述晶圆样品图像和所述图像标签，得到所述图像训练数据。

11、在一些实施例，在所述基于所述图像训练数据对预先获取的神经网络模型进行训练，得到晶圆缺陷检测模型之前，所述检测方法还包括：

12、对所述图像训练数据中的晶圆样品图像进行颜色空间变换；

13、在所述将所述图像待检测数据输入至所述晶圆缺陷检测模型进行缺陷检测，得到缺陷检测数据之前，所述检测方法还包括：

14、对所述图像待检测数据中的晶圆待检测图像进行颜色空间变换。

15、在一些实施例，所述基于所述图像训练数据对预先获取的神经网络模型进行训练，得到晶圆缺陷检测模型，包括：

16、基于所述神经网络模型对所述图像训练数据进行缺陷检测，得到样本检测数据；

17、基于预设的损失函数、所述样本检测数据、所述图像标签对所述神经网络模型进行损失计算，得到模型损失数据，其中，所述损失函数为giou函数；

18、根据所述模型损失数据对所述神经网络模型进行参数更新，以训练所述神经网络模型，得到所述晶圆缺陷检测模型。

19、在一些实施例，所述根据所述缺陷检测数据判断所述晶圆待检测图像是否存在缺陷，包括：

20、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签不为空，则所述晶圆待检测图像存在缺陷；

21、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签为空，则所述晶圆待检测图像不存在缺陷。

22、在一些实施例，所述根据所述缺陷检测数据判断所述晶圆待检测图像是否存在缺陷，包括：

23、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签不为空，则从所述缺陷检测数据提取所述晶圆待检测图像中每个第一缺陷的置信度，若所有第一缺陷的所述置信度均低于预设的第一阈值则所述晶圆待检测图像不存在缺陷；若存在至少一个第一缺陷的所述置信度不低于所述第一阈值则所述晶圆待检测图像存在缺陷；

24、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签为空，则所述晶圆待检测图像不存在缺陷。

25、在一些实施例，所述根据所述缺陷检测数据判断所述晶圆待检测图像是否存在缺陷，包括：

26、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签不为空，则从所述缺陷检测数据提取所述晶圆待检测图像中每个第一缺陷的置信度和位置信息，根据所述位置信息和第二阈值从所述第一缺陷中筛选出第二缺陷；若所有第二缺陷的所述置信度均低于预设的第一阈值则所述晶圆待检测图像不存在缺陷；若存在至少一个第二缺陷的所述置信度不低于所述第一阈值则所述晶圆待检测图像存在缺陷；

27、如果所述缺陷检测数据中所述晶圆待检测图像对应的图像标签为空，则所述晶圆待检测图像不存在缺陷。

28、为实现上述目的，本技术实施例的第二方面提出了一种晶圆缺陷的检测装置，所述装置包括：

29、样品图像获取模块，用于获取晶圆样品图像，其中，所述晶圆样品图像是彩色图像；

30、图像标注模块，用于对所述晶圆样品图像进行图像标注，得到图像训练数据，其中，所述图像训练数据包括所述晶圆样品图像和图像标签；

31、训练模块，用于基于所述图像训练数据对预先获取的神经网络模型进行训练，得到晶圆缺陷检测模型，其中，所述神经网络模型根据预设的目标检测网络和注意力机制构建而成；

32、目标图像获取模块，用于获取待检测的晶圆待检测图像，得到图像待检测数据；

33、缺陷检测模块，用于将所述图像待检测数据输入至所述晶圆缺陷检测模型进行缺陷检测，得到缺陷检测数据，根据所述缺陷检测数据判断所述晶圆待检测图像是否存在缺陷。

34、可选地，所述晶圆缺陷的检测装置还包括：

35、数据增强模块，具体用于:

36、对所述图像训练数据中的晶圆样品图像进行颜色空间变换；

37、对所述图像待检测数据中的晶圆待检测图像进行颜色空间变换；

38、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

39、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

40、本技术提出的晶圆缺陷的检测方法和装置、电子设备及存储介质,其通过使用包含色彩信息的晶圆图像作为输入数据，训练加入了注意力机制的目标检测网络作为晶圆缺陷检测模型，能够实现晶圆表面缺陷和异物的分类，并提高晶圆表面缺陷和异物的分类的准确性，降低人工复检工作量。

41、本技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。